基于XGBoost算法的瓷支柱绝缘子振动声学检测信号缺陷识别方法研究

马 鹏，姜伟基，杜 鑫，杨 勇，何予莹，王 军

（内蒙古电力（集团）有限责任公司阿拉善供电分公司，内蒙古 巴彦浩特 750306）

0 引言

瓷支柱绝缘子广泛应用于发电厂和变电站，起到支撑导线、断路器和高压开关的作用。瓷支柱绝缘子从上至下依次由上法兰盘、瓷体和下法兰盘组成，上、下法兰盘通过水泥胶合剂与瓷体部分胶接。根据统计资料显示，绝大多数的瓷支柱绝缘子裂纹发生在瓷体与上下法兰盘胶接区域[1-8]。

为了及时发现瓷支柱绝缘子缺陷，近年来围绕瓷支柱绝缘子缺陷形成机理及其检测方法展开大量研究[9-14]。振动声学检测法是目前应用较广泛的瓷支柱绝缘子裂纹缺陷检测方法[15-21]。虽然获取瓷支柱绝缘子振动声学检测信号的技术和设备比较成熟，但是基于振动声学检测信号判断瓷支柱绝缘子缺陷情况的算法还有待完善。钟力强等提出一种基于声纹识别的瓷支柱绝缘子振动声学检测信号识别技术，以LPC倒谱为特征建立声纹特征库，通过比对检测信号和声纹特征库信号，判断瓷支柱绝缘子缺陷情况[22]。郑欣、张轩等采用经典统计方法对瓷支柱绝缘子振动声学检测信号进行分析，确定瓷支柱绝缘子缺陷的频域阈值，作为判定瓷支柱绝缘子存在缺陷的依据[23-24]。焦宗寒等将高斯混合模型中的权重系数α和标准差σ作为用于分类的有效特征值输入PSO-ELM模型中进行状态分类及识别，实现瓷支柱绝缘子缺陷特征的提取[25]。上述方法均以瓷支柱绝缘子振动声学检测信号功率谱作为分析对象，考察的维度较为单一，存在误判的可能性。

本文提出一种基于XGBoost算法的瓷支柱绝缘子振动声学检测信号缺陷识别方法，提取瓷支柱绝缘子振动声学检测信号的时域、功率谱、小波域组合特征用于缺陷识别，旨在解决瓷支柱绝缘子振动声学检测设备不同的检测角度、检测位置等带来的功率谱变化问题，以提高绝缘子振动声学检测的准确度。

1 XGBoost算法原理

XGBoost 算法是陈天奇等人开发的一个通用Gradient Boosting 算法，能够开展多线程并行计算，具有很高的精度和抗过拟合能力[26-29]。XGBoost 算法基本原理如图1 所示。对于数据集D，首先由第一棵决策树对数据集进行拟合，然后计算实际值和预测值之间的残差，根据残差情况引入下一棵决策树对残差进行拟合，多次迭代直至残差达到允许值。将每一棵决策树的拟合值进行累加可以得到XGBoost算法最终的拟合结果。

图1 XGBoost算法原理图Fig.1 A Schematic diagram of the XGBoost algorithm

XGBoost 算法本质上是一种改进的Gradient Boosting算法，其采用的目标函数可以表示为：

式中：Obj为目标函数；l为损失函数；Ω为正则化惩罚函数；yi和ŷi分别是数据集第i个样本输出的真实值和预测值；fj为第j个决策树的输出预测值；n为样本数量。

公式（1）中右侧第一项为损失函数项，偏向于训练复杂的模型，更好地拟合样本数据；第二项为正则化惩罚项，偏向于训练简单的模型，降低噪声的扰动响应。目标函数需要在损失函数项和正则化惩罚项之间进行平衡，取得最优效果。

对于Boosting 类算法，其每次迭代的模型都会被保留，每次迭代都会加入一个新的函数以提升模型的性能，减小目标函数。将t 轮迭代后的拟合值带入目标函数，可以得到：

式中：xi为样本值。

用泰勒展开式逼近上述目标函数中的损失函数，可以得到：

式中：gi和hi分别是损失函数的一阶导数和二阶导数，。

显然上述目标函数的训练误差只取决于损失函数的一阶导数和二阶导数。

随着模型的迭代，模型在损失函数项和正则化惩罚项之间进行优化，确保模型精度和抗过拟合性能的平衡。

2 振动声学检测信号组合特征

振动声学检测信号特征包括时域特征、功率密度谱特征和小波域特征。时域特征是最直观的信号响应特征，提取时域信号统计特征以及波形特征，是瓷支柱绝缘子振动声学检测缺陷分析最简便的方式，但是时域特征容易受到噪声影响；功率谱特征能反映系统的固有频率，通过功率谱峰值的变化能够判断出绝缘子损伤情况，但振动声学检测仪激振杆和接收杆与瓷支柱绝缘子轴线形成一定夹角时，纵向振动与横向振动存在耦合关系，此情况下功率谱峰值高度不能反映真实功率幅值，容易对检测结果造成误判；小波域特征能够将振动声学检测信号分解在各频带上，其分解系数能够反映各频带的能量值，相比于功率谱峰值特征，能够更好地描述振动声学检测信号能量分布的频带，适合表征缺陷信号特征。

本文研究涉及的振动声学检测信号时域特征、功率谱特征和小波域特征如表1所示。表1中的28个特征在XGBoost算法中，每个特征的重要性不同，为此需要遴选出在XGBoost算法中起到重要作用的时域特征、功率谱特征和小波域特征。

表1 振动声学检测信号特征组成Tab.1 Composition table of vibration acoustic detection signal charcteristics

本文选取50个无缺陷样本，50个上端缺陷样本和50 个下端缺陷样本的振动声学检测信号，按表1提取特征训练XGBoost 模型，训练过程中各个特征对于XGBoost模型的重要性系数如图2所示。

图2 振动声学检测信号特征重要性评估图Fig.2 Evaluation of the importance of vibration acoustic detection signal features

根据图2 中各个振动声学检测信号特征，选取14个特征用于XGBoost模型，包括时域信号最小值，时域信号均值，功率谱最大峰值频率，次高峰幅值，1.5～3 kHz 频段能量比，6～7.5 kHz 频段能量比，7.5～9 kHz 频段能量比，10.5～12 kHz 频段能量比，15～16.5 kHz频段能量比，16.5～18 kHz频段能量比，18～19.5 kHz频段能量比，19.5～21 kHz频段能量比，21～22.5 kHz频段能量比，22.5～24 kHz频段能量比。

3 振动声学检测信号样本

本文以ZS-35/400 瓷支柱绝缘子为实验对象，首先在无缺陷状态下采集振动声学检测信号作为无缺陷样本。然后在靠近上端法兰和靠近下端法兰的位置分别设置裂纹缺陷并采集振动声学检测信号，分别作为上端缺陷样本和下端缺陷样本。

参考瓷支柱绝缘子实际损伤形式，本文设置槽状缺陷以模拟表面裂纹形式的缺陷，用不同长度的缺陷表征不同程度的裂纹缺陷。由于裂纹一般为细长的表面裂纹，因此将缺陷长度分别设置为10 mm、20 mm、30 mm、40 mm、50 mm和60 mm，缺陷宽度设置约为2 mm。瓷支柱绝缘子上端缺陷和下端缺陷设置如图3和图4所示。

图3 瓷支柱绝缘子上端缺陷设置Fig.3 Defect setting of the upper end of the porcelain pillar insulator

图4 瓷支柱绝缘子下端缺陷设置Fig.4 Defect setting of the lower end of the porcelain pillar insulator

本文采用图5所示的杭州浙达精益机电技术股份有限公司研发的瓷支柱绝缘子振动声学检测仪（见图6），对ZS-35/400瓷支柱绝缘子进行检测。振动声学检测仪工作时，嵌入式主机通过驱动电路向激振杆加载1～10 kHz白噪声信号，激振杆产生的振动作用于瓷支柱绝缘子，瓷支柱绝缘子不同的缺陷情况会带来不同的振动模态，拾振杆检测振动后通过信号采集电路传送到嵌入式主机，嵌入式主机处理信号后，通过无线方式传输到上位机显示。

图5 瓷支柱绝缘子振动声学检测仪Fig.5 Vibration acoustic detector for porcelain pillar insulators

图6 瓷支柱绝缘子振动声学检测仪工作原理Fig.6 Working principle of the vibration acoustic detector for porcelain pillar insulators

采集的无缺陷样本、上端缺陷样本和下端缺陷样本振动声学检测信号数量如表2所示。

表2 振动声学检测样本信息Tab.2 Sample table of vibration acoustic detection

4 XGBoost算法识别结果

根据选取的14 个特征重新处理表2 检测样本数据集，对数据集的1440组数据按照4：1的比例随机划分训练集和测试集，训练XGBoost模型，用测试集数据检验，结果如图7的混淆矩阵所示。

图7 瓷支柱绝缘子振动声学检测缺陷分类混淆矩阵Fig.7 Defect classification confusion matrix of vibration acoustic detection for porcelain pillar insulators

测试集中包括无缺陷样本98个，上端缺陷样本90 个，下端缺陷样本100 个。其中7 个无缺陷样本XGBoost 模型误判为上端缺陷，5 个上端缺陷样本XGBoost模型误判为无缺陷，其余样本XGBoost模型均分类正确，分类准确率为95.83%，具有较高的分类精度。

从XGBoost 模型误判情况分析，误判产生在无缺陷样本和上端缺陷样本之间，且误判的假阳性和假阴性数量基本相符。造成这种现象的原因在于检测位置位于瓷支柱绝缘子下端，上端缺陷位置离检测位置较远，有无缺陷时的振动模态在该检测位置差异较小，缺陷较小时容易造成误判[21-29]。

5 现场试验

为了检验XGBoost算法对于在役瓷支柱绝缘子振动声学检测信号的识别效果，本文选取阿拉善盟额济纳旗某变电站瓷支柱绝缘子振动声学检测信号作为分析对象。该变电站瓷支柱绝缘子振动声学检测共采集60组信号，采用超声波探伤仪对瓷支柱绝缘子进行检测。经XGBoost算法识别后的瓷支柱绝缘子振动声学检测和超声检测结果见图8。

图8 现场试验结果Fig.8 Field test results

由于瓷支柱绝缘子超声探伤采用抵近检测方式，其结果具有较高的可信度，本文将其作为参考结果和振动声学检测结果进行对比。试验结果显示，XGBoost 算法可有效识别瓷支柱绝缘子存在的上端缺陷和下端缺陷，准确率达到96.6%，但是有2个无缺陷的瓷支柱绝缘子分别被误判为上端缺陷和下端缺陷。总体而言，瓷支柱绝缘子信号XGBoost 算法识别结果的正确率能够满足工程应用的需要。

6 结束语

本文提出了瓷支柱绝缘子振动声学检测信号采用XGBoost 算法进行缺陷识别的方法，实现了瓷支柱绝缘子不同类型缺陷振动声学检测信号的分类。采用瓷支柱绝缘子振动声学检测仪对ZS-35/400 瓷支柱绝缘子中刻制的人工缺陷进行检测，检测信号经XGBoost模型识别，其准确率达到95.83%，说明XGBoost模型对实验室条件下的瓷支柱绝缘子缺陷具有较好的辨识效果。在阿拉善盟额济纳旗某变电站进行现场试验，XGBoost 算法识别准确率达到96.6%，能够满足工程应用的需要。

另外，对于振动声学检测未能准确识别的信号，可以通过其他无损检测方式复检来确定瓷支柱绝缘子缺陷情况。